Corrected State-of-Health Representation for Lithium-Ion Battery Degradation Forecasting via Model-Parameter Identification and Multisource Health Indicator Fusion

6. Corrected State-of-Health Representation for Lithium-Ion Battery Degradation Forecasting via Model-Parameter Identification and Multisource Health Indicator Fusion

论文基本信息

字段	内容
DOI/URL/PDF	IEEE Xplore 文章页；IEEE PDF（本次无访问权限）
期刊/会议/平台	IEEE Sensors Journal 26(20), 31104–31113
发表日期	IEEE 标 online publication 2026-09-10、期刊卷期 2026-10-15；Crossref 2026-10-01 为月份占位，不作为精确日
作者/机构	Jie Liu、Ziqian Li、Jinhui Zeng、Guanlin Zeng、Jinghong Wu、Qi Wang；payload 列 Hunan University of Technology，作者-机构映射待确认
通讯作者	未能确认
脚本评分/证据等级	50；SOH/退化趋势 forecasting 明确，低分复核后提级；IEEE 摘要级
核验路径	PDF 链接可见但 IEEE 返回无权限 → IEEE Xplore HTML 摘要与出版日期成功 → DOI/卷期元数据交叉核对

纳入理由与原文证据

• 主题/边界： 以 SOH 表征修正和退化趋势 forecasting 为目标，属于电池 SOH/退化预测；不是仅做故障监测。
• 证据： IEEE 摘要确认融合容量、阻抗/极化、温度与电压一致性健康指标，并对 SOH 进行层级预测；IEEE Xplore 摘要。

数据集/电池体系

• 体系/数据： 摘要称以 20 辆电动汽车数据及一套商用储能柜数据验证；锂离子电池。车辆型号、化学体系、样本量、时间跨度与数据公开链接未说明。
• 工况/跨域： 覆盖 EV 与储能柜两类场景，摘要称评估跨场景竞争力；温度/SOC 分布、训练测试是否跨场景留出未披露。

EOL/RUL/SOH 定义

• 目标/定义： 以容量型 SOH 为基准，构造 corrected SOH 并预测退化趋势；未见明确 EOL/RUL 输出或 SOH 标签阈值，故仅归类为 SOH/趋势预测。
• 未来信息风险： 需要确认健康指标提取区间、容量参考值和非线性校正是否用到测试期统计量；摘要未展示在线滚动预测协议。

模型方法

• 流程： 一阶 Thevenin 模型配合 forgetting-factor RLS 识别阻抗/极化参数；从特定 SOC 区间提取温度、电压一致性特征；GRA 筛选指标，G1-CRITIC 融合赋权并生成校正 SOH；FGO-DATCN-GPR 负责优化、全局趋势学习和局部残差补偿。
• 部署： 数据来源包含 EV 与商用储能柜，但实时处理、BMS 接口、计算资源和延迟未报告。

验证设计

• 划分/泛化： 摘要称使用 20 辆 EV 与商用储能柜数据，并与扩展 baseline/ablation 比较；具体车辆留出、跨设备测试、样本时间划分及重复试验未能确认。
• 可信度： 中；数据类型较贴近现场，但摘要未提供独立测试与分组细节。

指标与结果

• IEEE 摘要称整体预测精度及跨场景竞争力良好，但可访问摘要截断于比较结论，未显示 MAE/RMSE 等原始数字；本报告不补造结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；须核对特征窗口是否仅取预测时点前数据、SOH 归一化基准是否跨测试集，以及 EV/储能柜间是否真正隔离。
• 复现性： 低至信息不足；PDF 无权限，摘要有方法概览但未公开代码、数据和完整超参数。
• 局限性： 现场数据量和化学体系不明；指标及结果表未能访问；所谓跨场景性能仍需原始分组和外部测试证明。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： 多源健康信息与趋势预测具有现场应用相关性。建议先申请全文，核验 EV/储能柜数据划分、校正 SOH 的标签定义和完整误差表，再判断方法增益是否来自独立跨场景泛化。